生成式人工智能预测放射学孤立综合征向多发性硬化的转化:基于MRI的个体化数字孪生与脑年龄差在早期风险分层中的应用

《PLOS Digital Health》:Predicting multiple sclerosis from radiologically isolated syndrome using generative artificial intelligence

【字体: 大 中 小 】 时间:2026年04月27日 来源:PLOS Digital Health 7.7

编辑推荐:

  本文旨在解决放射学孤立综合征(RIS)患者向临床多发性硬化(MS)转化的早期预测难题。研究人员利用生成式流形学习(GML)人工智能框架BrainGML-MS,分析了RIS、MS患者及健康对照者的脑MRI数据,生成个体化数字孪生并进行风险分层。研究发现,基于基线MRI计算的脑年龄差(BAG)和特定脑区结构异常模式能够有效区分RIS转化者(RIS-C)与非转化者(RIS-NC),并能将RIS人群划分为具有不同5年转化风险(10%-39%)的四个亚组。该研究表明,MRI衍生的脑老化生物标志物和个体化数字孪生模型有望提升RIS患者的早期风险分层能力,为临床前MS的管理决策提供新工具。

  
在神经科学领域,如何预测无症状个体未来是否会患上严重的神经系统疾病,一直是个巨大的挑战。放射学孤立综合征(Radiologically Isolated Syndrome, RIS)正是这样一个“预警信号”:患者在因其他原因(如头痛)进行脑部磁共振成像(MRI)检查时,偶然发现了与多发性硬化(Multiple Sclerosis, MS)特征相符的病灶,但其本人却没有任何MS相关的临床症状。这就给医生和患者带来了两难:哪些RIS患者会安然无恙,而哪些又会最终发展为有症状的临床MS?现有的预测指标,如年龄、脑脊液生物标志物和病灶位置,在个体层面的预测准确性有限。这种不确定性使得临床决策充满风险——过早干预可能让本不需要治疗的患者承受药物副作用,而延迟治疗则可能错失控制疾病发展的最佳窗口期。
近期发表在《PLOS Digital Health》上的一项研究,为破解这一困境提供了新思路。一个国际研究团队利用前沿的生成式人工智能(AI)技术,开发了一套名为BrainGML-MS的分析框架。该研究旨在评估这种基于生成式流形学习(Generative Manifold Learning, GML)的无监督人工智能框架,能否对RIS患者进行准确的转化风险分层。为此,研究人员纳入了152名RIS个体(其中32人在随访期内转化为临床MS,称为RIS-C)、152名MS患者以及152名健康对照(HC)进行分析。
关键研究方法
研究团队应用了BrainGML-MS软件平台。首先,利用深度学习模型AssemblyNet对3D T1加权脑MRI图像进行分割,得到196个脑区体积数据。核心创新在于其第二阶段:采用生成式流形学习技术,为每个受试者创建一个“数字孪生”(digital twin),即基于其自身特征生成的、假设未患病的个性化脑结构参考模型。通过比较受试者真实脑结构与“数字孪生”之间的差异,计算出反映大脑加速衰老的指标——脑年龄差(Brain Age Gap, BAG),并得到各脑区的标准化差异(z-score)。随后,利用流形学习对高维数据进行降维和可视化,并对RIS人群进行无监督聚类分析,以识别具有不同转化风险的结构亚型。研究数据来源于国际RIS研究联盟(RISC)数据库以及多个公开的健康对照数据集。
研究结果
队列特征
研究共纳入152名RIS个体(77%为女性,平均年龄41.2岁),其中120人未转化(RIS-NC),32人转化为临床MS(RIS-C)。所有转化者均未发展为原发性进展型MS(PPMS)。研究还匹配了相同数量的MS患者和健康对照。
脑年龄差在不同组间的差异
脑年龄差在不同组间存在显著差异。健康对照组主要表现为负的BAG值(意味着大脑看起来比实际年龄更年轻),而MS患者则表现为正的BAG值(大脑看起来更老)。RIS个体的BAG值介于两者之间。重要的是,RIS转化者(RIS-C)的BAG值显著高于非转化者(RIS-NC),且更接近MS患者的分布。总体上,BAG值呈现出从HC到RIS-NC,再到RIS-C,最后到MS的渐进性增加趋势,反映了沿疾病连续谱逐渐加重的结构偏离。
区域性大脑结构差异
具有显著异常(|z| > 1.96)的脑区数量在各组间逐步增加:HC(平均6.8个区)、RIS-NC(14.4个区)、RIS-C(15.6个区)、MS(16.3个区)。空间分布图显示,存在异常脑区的受试者比例从HC到MS逐步上升。其中,第三脑室是区分度最高的结构,能将HC与其他所有组区分开,提示早期脑室扩大可能是疾病相关变化的标志。
评估RIS个体的临床转化风险及相关生物标志物的影响
无监督聚类分析将RIS个体分为四个亚组,其五年临床转化风险各不相同,范围从10%到39%。其中,第4簇含有显著更高比例的转化者。第4簇在结构上与MS患者分布重叠更多,而第2簇则与健康对照更相似。在评估的生物标志物中,仅脊髓病灶在不同簇间存在显著差异,在风险较高的第2和第3簇中更为常见。而T2病灶负荷和脑脊液阳性等标志物则无显著差异。这表明,基于结构的聚类成员身份可以有效对RIS个体进行转化风险和与MS结构相似性的分层。
轨迹建模
沿流形进展轴的轨迹分析揭示了区域性异常的独特时间模式。例如,簇1中的所有个体在大约24个月时左外侧脑室下角就出现了显著异常,而类似的改变在簇4中直到约60个月才出现。这些结果表明,在易转化亚型中,结构性异常出现得更早、进展更快,支持了存在不同疾病演化路径的假说。
研究结论与意义
这项研究揭示了基于MRI的生成式人工智能模型在预测RIS向临床MS转化方面的潜力。研究表明,在首次RIS扫描时测量的脑年龄差(BAG)和大脑结构异常模式,可以作为区分高低风险个体的有效生物标志物。通过无监督学习,BrainGML-MS框架能够将看似同质的RIS人群划分为具有显著不同转化风险(10%-39%)的结构亚型。研究发现,第三脑室体积变化是最具鉴别力的区域,而RIS转化者表现出更大的结构萎缩和更高的脑年龄差,使其更接近MS患者的特征。
该研究的核心意义在于其临床转化价值。当前,由于缺乏可靠的个体化预测工具,临床医生难以在RIS的早期阶段决定是否需要启动疾病修正治疗。BrainGML-MS提供的个体化风险分层,有助于识别出那些可能从密切随访或早期干预中获益的高风险患者,同时对低风险患者避免过度治疗。这为实现MS的“精准预防”提供了新的可能性。此外,该研究所采用的生成式流形学习和“数字孪生”方法,为研究其他神经退行性疾病的临床前阶段提供了可借鉴的分析框架。
当然,研究也存在局限性,例如RIS转化者样本量相对较小、随访时间有限,并且缺乏可能影响大脑结构的心血管代谢和生活方式等协变量数据。未来需要在更大规模、多中心的前瞻性队列中进行外部验证,并整合更多维度的数据以完善预测模型。尽管如此,这项研究无疑为利用人工智能深度挖掘医学影像信息,实现神经系统疾病的超早期预警和个体化管理,迈出了坚实的一步。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号